CLOVA Dubbing vs ElevenLabs: один сценарий, девять голосов, я сам всё прослушал и разобрал

Здравствуйте, это Sonetho. ⚡

"Разве CLOVA Dubbing не хватает для закадрового текста на YouTube?"
Это частый вопрос.
Поэтому я сравнил их сам.
Я прогнал одни и те же четыре корейских сценария через пять голосов CLOVA Voice и четыре голоса ElevenLabs, всего девять голосов, и прослушал все 36 образцов.

🧪 Как я сравнивал

Сценарии охватывают четыре категории.
Эмоциональная игра (реплики, где радость от новости о зачислении сменяется грустью), чтение в новостном стиле, смесь английского и цифр (например, ChatGPT, 22 доллара) и связность на длинном тексте.
Со стороны CLOVA я создал один стандартный голос и четыре голоса Pro через API CLOVA Voice.
В официальной документации NAVER Cloud указано, что CLOVA Dubbing использует именно этот движок CLOVA Voice, так что сравнение по качеству корректно.
Со стороны ElevenLabs я создал два голоса, популярных в корейском сообществе, в двух моделях, v2 и v3.

Под каждой категорией ниже я разместил реальные образцы. Послушайте сами и решайте.
Всё это оригиналы, созданные для этого теста, отрывки для сравнения.

🎧 Что я услышал на практике

Разберу результаты подробнее.

Сравнить эмоциональную выразительность вообще не получилось.
CLOVA Voice, хоть Pro, хоть стандартный, читает эмоциональные реплики как сводку новостей.
У CLOVA Dubbing в принципе нет функции управления эмоцией. Только скорость, высота тона и спецэффекты.
ElevenLabs действительно отыграл переход от вздоха к радости, а хорошо обученный PVC (клон моего собственного голоса) было трудно отличить: человек это или ИИ.

В смеси английского и цифр была любопытная неожиданность.
Лучше всех прочитал Eleven v3. Такие выражения, как ChatGPT, Gemini и 22 доллара, он произнёс почти всегда точно.
Но на втором месте оказался не ElevenLabs Multilingual v2, а CLOVA.
Когда v2 встречает шаблон, которого нет в обучающих данных, произношение рассыпается, а CLOVA читал стабильнее.
Различия есть и внутри CLOVA. Голос Pro читает английские слова заметно лучше стандартного.

Разница в характере между v2 и v3 тоже была очевидна.
v2 опирается на обучающие данные, поэтому со знакомыми фразами стабилен, но слаб на незнакомых шаблонах.
v3 хорошо читает и незнакомые шаблоны, но у него есть минус в связности: тон голоса колеблется при смене абзаца.
Подробнее эту особенность я разобрал в материале Eleven v3 vs v2: тест на корейском в четырёх категориях.

🎙️ Прослушивание всех 9 голосов

Выше представлены только основные голоса.
Я выложил все 9 вариантов, созданных с использованием одного и того же сценария для эмоциональной речи.
Два голоса, которые вы слышали ранее, также включены для сравнения.

CLOVA Nara (стандартный)

CLOVA Ara Pro

CLOVA Donghyun Pro

CLOVA Ian Pro

CLOVA Yuna Pro

ElevenLabs Hyuk (Multilingual v2)

ElevenLabs Hyuk (v3)

ElevenLabs Selly (Multilingual v2)

ElevenLabs Selly (v3)

Даже внутри CLOVA есть различия между стандартными голосами и Pro.
Однако среди четырех версий Pro различается только тембр, а метод передачи эмоций идентичен.
В ElevenLabs даже один и тот же голос в версиях v2 и v3 звучит как разные дикторы.

⏱️ Мы замерили не только качество, но и скорость

Если вы создаете десятки клипов из одного видео, время генерации напрямую влияет на длительность работы.
Поэтому при создании 36 образцов мы зафиксировали время от вызова API до полного получения аудио.

Самые достоверные цифры связаны с разницей между v3 и v2.
Модели v3 оказались в среднем на 65% медленнее моделей v2 (6,877ms против 4,180ms).
Поскольку мы вызывали обе модели поочередно для каждого голоса, время суток или состояние сервера не могли дать преимущество одной из них.
Ранее мы отмечали, что у v3 лучше английское произношение, но платой за это стало время.
Это означает, что при создании 100 клипов на v2 уйдет 7 минут, а на v3 , 11 минут.

Разрыв между движками составил 3,9 раза.
Среднее время CLOVA составляет 1,413ms, ElevenLabs , 5,529ms.
В пересчете на символы в секунду это 125 против 32.
Стандартный голос CLOVA оказался самым быстрым (918ms), при этом внутри самой CLOVA версии Pro работают медленнее стандартных.

Признаем и ограничения нашего теста.
Для каждой комбинации замер проводился лишь один раз, и время включает сетевые задержки.
Кроме того, цикл измерений был сгруппирован по категориям. Так как вызовы одной категории шли подряд, невозможно определить, была ли задержка вызвана спецификой текста или состоянием сервера в тот момент.
Поэтому мы не стали использовать рейтинг по категориям в качестве выводов.
В таблицу внесены только различия между движками и сравнение v3 с v2, так как эти данные достаточно значимы и не могут быть объяснены погрешностью.

Добавим, что эти цифры получены при использовании метода одновременного получения Multilingual v2 и v3.
ElevenLabs также предлагает потоковые методы и модели серии Flash, ориентированные на низкую задержку.
Если вы выбираете решение для общения в реальном времени или телефонных звонков, ориентироваться нужно не на эту таблицу, а на них.

💰 Цены и лицензия: вот где настоящая развилка

Если смотреть не на качество, а на условия, разница ещё больше. По состоянию на июль 2026 года.

Одно предостережение.
Использовать CLOVA Dubbing бесплатно на монетизируемом YouTube-канале: это нарушение условий.
С декабря 2023 года бесплатный план разрешён только на "каналах, которые не приносят никакого дохода".
Записи в блогах, где говорится "если указать источник, то и для канала с AdSense бесплатно", основаны на старой, отменённой политике.
И даже если оплатить Standard (19,900 вон), платные продажи, работа на заказ, вещание и реклама всё равно недоступны.
Это область Premium (89,900 вон).

🤔 Так что же выбрать

Когда подходит CLOVA Dubbing
Когда вы делаете видео для немонетизируемого канала или для личного архива.
Когда нужен редактор, который всё делает на одном экране: от загрузки видео до субтитров, звуковых эффектов и озвучки.
Когда удобны корейский интерфейс и мобильное приложение.

Когда подходит ElevenLabs
Когда вы используете это в контенте, который приносит доход. Полные коммерческие права от 8,000 вон, так что просчитывать условия не нужно.
Закадровый текст, аудиокниги и реплики, где нужна эмоциональная игра.
Когда вы хотите клонировать собственный голос (PVC) и создавать контент.

При регистрации нового аккаунта по ссылке ниже к первому месяцу плана Creator в ElevenLabs автоматически применяется скидка 50 %.

Получить скидку 50 % на первый месяц ElevenLabs →

❓ Часто задаваемые вопросы (FAQ)

Q. Можно ли использовать CLOVA Dubbing бесплатно на монетизируемом YouTube-канале?
Нет, нельзя.
С декабря 2023 года бесплатный план разрешён только для публикации на каналах, которые не приносят дохода.
Если на канале включён AdSense, нужен платный план, а платные продажи или рекламные видео возможны только от Premium (89,900 вон в месяц).

Q. Что звучит естественнее, CLOVA Dubbing или ElevenLabs?
По моим личным впечатлениям от прослушивания по эмоциональной выразительности и общей естественности впереди ElevenLabs, особенно v3 и хорошо обученный PVC.
Правда, в предложениях со вставками на английском была неожиданность: CLOVA читал стабильнее, чем ElevenLabs v2.

Q. Сколько стоит CLOVA Dubbing?
Бесплатно (15,000 знаков в месяц), Standard 19,900 вон в месяц, Premium 89,900 вон в месяц.
Standard ограничен личным и некоммерческим использованием, поэтому для платных продаж или рекламы нужен Premium.

Если интересна тройная схватка корейских TTS, посмотрите также Typecast vs Vrew vs ElevenLabs: сравнение.
Поединок распознавания речи (STT) продолжается в материале CLOVA распознавание речи vs Scribe: замер на практике.
Увидимся в следующей статье. Это был Sonetho. ⚡